基于粗糙集的新能源产业中储能技术评价

针对新能源产业中能够应用于新能源并网发电的储能技术评价问题,提出了基于粗糙集的储能技术评价方法.该方法首先在构建新能源产业中储能技术系统评价指标的基础上,建立储能技术评价信息系统;然后利用粗糙集对评价指标进行属性约简,并利用粗糙集差别矩阵属性重要度确定约简后的评价指标权重;最后得出各储能技术的评价值.实证结果表明,该方法以评价对象的客观数据为依据来确定其综合评价值,提高了评价的准确性和合理性.     

基于模糊-粗糙集理论的神经网络模式识别方法

目的 通过对数据进行约简提高模式识别中数据的有效性,以提高胶合板缺陷检测的准确率和在线的实时性.方法 利用粗糙集理论在数据约简上的优势,提取出对模式识别决策结果影响最大的属性,约简掉对决策结果影响较小的属性.利用模糊逻辑在不确定性问题的能力,提高边缘属性在模式识别中的权重值.利用神经网络在模式识别中的有效性,将粗糙集算法、模糊逻辑、神经网络的人工智能算法有效相结合,提出一种基于模糊粗糙集神经网络的模式识别分类方法.结果 结合胶合板缺陷检测,针对胶合板的13类缺陷的17个属性,提取出最有效的数据,约简了对决策影响最小的4个属性.结论 基于模糊-粗糙集理论的神经网络模式识别算法提高了数据的有效性,增强了缺陷检测的准确度,提升了在线检测的实时性,取得了良好的研究结果.     

建立在粗糙集和模糊综合评判模型下的客户信用评价

客户信用关系是企业客户关系管理的重要内容。本文提出了结合粗糙集及模糊综合评判的模型对客户进行信用评价的方法。针对客户信用评价指标体系,借助粗糙集理论,进行指标属性约简、确定权重,并利用模糊综合评判对客户进行评价。该方法在一定程度上克服了传统权重确定的主观性,提高了评估的效率和准确性。最后,引入一个算例阐明了该模型的合理性。     

基于粗糙集和信息熵的场站航材股评价研究

将粗糙集理论引入航材股评价过程,结合信息熵理论,实现对航材股定量打分排序,区分航材股的优劣。针对粗糙集理论无法处理决策属性缺失系统的缺陷,利用信息熵,选取权重值最大的条件属性作为决策属性,完善航材股评价信息系统,拓展粗糙集理论的应用。采用改进的贪心算法离散属性值,约简冗余属性,提升信息系统的运行效率。实例分析表明,该模型可以完成对航材股的评价打分,验证了该模型的可行性与正确性。     

粗糙集在复合材料成型工艺事例推理中应用

相似事例检索算法是计算机辅助复合材料成型工艺设计中的关键技术。研究了事例推理机制,给出了基于粗糙集理论的事例推理流程,对相似事例算法进行改进,采用粗糙集理论中属性重要性对事例索引属性进行约简,约简掉对检索结果影响较小的属性,并采用粗糙集属性重要性理论确定索引属性的权值。研究了索引属性中数值类型和集合类型的相似性计算算法,最后通过实例对算法进行验证,结果表明该算法提高了事例检索的速度和正确性。     

建筑工程项目投标风险的预测模型研究

建筑工程项目投标过程中存在不确定性和风险分析问题,首先运用粗糙集理论和方法构建了投标风险决策表,并利用粗糙集对相关属性进行约简,然后采用支持向量机对决策数据进行风险分类,帮助决策者迅速对工程项目的投标风险进行评估和预测,从而提高投标风险决策精度和决策科学性.     

基于粗糙集的属性约简算法的改进

属性约简是粗糙集理论研究的关键问题之一,针对Rough Sets理论的属性约简进行了研究.首先,介绍了可辨识矩阵属性约简的基本算法,并根据GENRED属性约简算法提出一种新的基于粗糙集的属性约简算法,证明了该算法在满足约简结果要求的同时,又能够提高算法的运行效率.     

基于粗糙集改进的支持向量机模型及其在短期电力负荷预测中的应用

通过对传统的最小二乘支持向量机模型和粗糙集理论的研究,提出了一种基于粗糙集理论进行改进的最小二乘支持向量机预测技术,将粗糙集原理的属性约简与特征提取技术运用到输入指标的选取上,保留有用信息并剔除无用信息。最后,以美国PJM市场2012年1月至9月的日24点历史负荷为算例,对该时间段电力负荷进行模拟仿真。结果表明,经过粗糙集属性约简改进后的LS—SVM预测模型大大提高了其预测精度,拟合效果显著提高。     

区间属性值决策系统属性的粗糙约简

基于粗糙集理论对区间属性值决策系统进行了探讨,提出了一种区间属性值决策系统属性的粗糙约简方法.首先利用分析技巧,将区间属性值决策表转化为三元决策表,其次利用粗糙集理论构建了属性的约简方法.通过算例说明了该方法的有效性.     

粗糙集神经网络系统在车牌字符识别中的研究

以简化信息处理的复杂性并提高信息处理精度为目标,提出了基于粗糙集神经网络系统的车牌字符识别方法.提取训练样本的特征向量建立决策表,基于粗糙集理论对决策表属性进行约简,由约简后的属性构造神经网络识别器.车牌字符识别试验结果验证了系统的有效性.     

基于粗糙集理论的模糊神经网络建模方法

采用基于粗糙集的模糊神经网络模型,将粗糙集理论与模糊神经网络相结合,通过利用粗糙集理论中的约简的计算方法,从样本数据中获取精简的规则,再根据这些规则构造模糊神经网络各层的神经元个数,克服了当输入维数高时,模糊神经网络的结构过于庞大的缺点,从而使网络模型结构最简.并采用误差反向传播算法(BP算法)来训练该新型网络中的权值参数及隶属函数的中心值和宽度,仿真结果验证了该模型的优越性.     

基于粗糙集-BP神经网络的浮选槽液位预测

针对反浮选过程中浮选槽液位指标难以建立精确的数学模型、常规检测方法不能有效控制问题,提出一种将粗糙集与BP神经网络理论相结合方法[1],建立反浮选液位软测量模型。从浮选过程积累的数据中获取过程知识,通过粗糙集属性约简对训练样本数据进行处理,根据结果确定BP网络的输入、输出、隐层神经元数,从得到的优化设定自动更新浮选槽液位控制回路的设定值,避免了人工控制的不稳定性和不精确性。此方法应用于某浮选厂,满足了液位预测要求的精度,在液位控制、经济指标提高及浮选过程稳定等方面取得了明显的效果。     

粗糙集-神经网络在铝电解故障诊断中的应用

目的通过对铝电解生产过程中的故障进行有效地诊断来提高铝的生产效率和节约能源．方法把粗糙集和神经网络结合起来应用在铝电解的故障诊断中．先用自组织特征映射网络（SOM）对初始数据进行离散化后得到决策表,然后用粗糙集理论对决策表进行约简得到最简决策表,根据最简决策表设计BP神经网络对铝电解中的故障进行诊断．结果用粗糙集对神经网络的输入数据进行预处理可以简化神经网络的结构,减少计算量和训练时间,从而提高整个诊断系统的诊断效率、故障诊断准确率在90％以上．结论该方法能够对铝电解中的故障做出正确的诊断．     

基于粗糙集与BP神经网络的烟气机故障诊断

结合粗糙集理论和神经网络在信息处理方面的优势,提出了一种基于粗糙集理论与BP神经网络相结合的烟气机故障诊断方法.首先对故障诊断数据中的连续属性进行离散化,然后根据粗糙集理论进行故障诊断决策系统约简,获得最优决策系统.最后在最优决策系统的基础上,设计BP神经网络对烟气机故障进行诊断.试验结果表明,该方法可以有效提高烟气机故障诊断的精度和效率.     

基于粗糙集神经网络的网络安全态势评估方法

为克服多源数据融合中存在信息高维、冗余和噪音等大量不确定性因素给网络安全态势评估带来的复杂影响,提出一种基于粗糙集神经网络的网络安全态势评估方法。该方法既利用粗糙集理论在机械学习、处理冗余信息和特征提取等方面的能力,又结合神经网络处理噪音和任意逼近能力构造出由指标层、离散层、规则层、决策层组成的态势评估模型,并与BP神经网络方法进行对比研究。仿真实验结果表明,所提方法偏差较少,更能客观、准确地分析网络安全状况。     

一种粗糙模糊神经网络识别器及其应用

结合粗糙集和模糊神经网络提出了一种粗糙模糊神经网络识别器的模型.该模型根据粗糙集理论对训练样本进行建立决策表、离散决策表、约简决策表、提取分类规则等推理过程设计.粗糙模糊神经网络识别器的输入层、两个隐含层、输出层的神经元个数分别根据决策表的约简结果、离散结果和分类规则、决策属性决定.将该识别器用于车牌字符识别,实验表明:该方法比粗糙集规则匹配识别方法识别率提高了18%,比BP神经网络识别方法识别率提高了2.7%.     

粗糙集神经网络在图像分割中的应用

提出了粗糙集神经网络用于图像分割的方法.该方法利用粗糙集约简理论对分割后的图像区域特征进行约简,以降低特征向量维数,抽取出规则,然后根据这些规则构造神经网络隐含层的神经元个数,从而确定粗糙集神经网络的结构.粗糙集神经网络中每个神经单元的输入为区域值,输出为决策分类值,此时权值预设为各规则粗糙隶属度值,然后用BP算法迭代,最终实现图像的分割.试验证明,该方法大大缩短了训练时间,提高了精度,并且得到优于常规的分割图像以及满足图像处理的实时性要求.     

基于粗糙集和神经网络的炮兵装备效能评估

建立了炮兵装备效能评估模型,首先利用灰色关联分析以及欧氏距离加权法实现了不完备信息表的空值填补;然后引入粗糙集理论对评估指标进行约简;最后利用BP神经网络确定了指标与效能间的关系并与指数模型进行比较,BP神经网络模型的精度明显高于指数模型.     

基于粗糙集和改进遗传算法优化BP神经网络的算法研究

针对BP神经网络结构由于特征维数增多变得复杂,以及网络易陷入局部极值点,提出了粗糙集和改进遗传算法结合共同优化神经网络的方法。首先利用粗糙集对样本空间进行属性约简,降低特征维数,进而简化BP神经网络的结构;然后训练过程中先用改进的遗传算法全局搜索网络的权值和阀值,再使用BP算法局部搜索细化,避免网络过早收敛。试验分析证明优化后BP神经网络比传统BP网络的预测精度得到了极大提高,泛化能力得到了增强,说明了该方法的可行性、有效性。     

供应链客户流失风险预测模型研究

供应链客户流失风险的预测是一个寻求复杂问题优化解的过程,通过引入神经网络理论,利用BP反馈型人工神经网络的自学习功能和快速寻找优化解的能力,构建了能准确预测客户流失风险等级的预测模型,对于供应链企业采取保留客户的有效措施有一定的帮助。